Trading Strategie Matlab

Kwantitatiewe Futures, aandele en opsies handel (BESKIKBAAR VIR MATLAB vryskut) About Me TradingwithMatlab ek voorheen gewerk as 'n kwantitatiewe Futures handelaar en werk tans as 'n ontleder in 'n kwantitatiewe span op 'n heining fonds van fondse. I. saam met Exchange Systems Inc, het 'n MATLAB-gebaseerde instrument genoem MATLAB2IB geskep. Ek hou 'n meestersgraad in Elektriese Ingenieurswese, 'n patent in beheer stelsels, en 'n MBA van die Universiteit van Chicago se nagraadse bestuurskool. Ek hoop dat my 10 jaar ervaring in die gebruik van MATLAB vir beide ingenieurswese en nou in finansies, gebruik om ander te wees. Ek hoop om jou te bied met 'n interessante topics. I kan gekontak word by tradingwithmatlab yahoo View my complete profile Bollinger Bands Momentum Model Trading Strategie (Setup) I. Trading Strategie Ontwikkelaar: John Bollinger (Bollinger Bands). Konsep: Trend-volgende handel strategie wat gebaseer is op Bollinger Bands. Navorsing Doel: Performance verifikasie van die 3-fase model (lank / kort / neutrale). Spesifikasie: Table 1. Resultate: Figuur 1-2. Handel Setup: Lang ambagte: geheg Ek 1 Laer Band I 1. Index: Ek Huidige Bar. Handel Entry: Lang ambagte: A koop by die oop geplaas nadat 'n lomp Setup. Kort ambagte: A verkoop teen die oop geplaas nadat 'n lomp Setup. Handel afrit: Table 1. Portefeuljekomitee: 42 futures markte uit vier groot marksektore (kommoditeite, geldeenhede, rentekoerse en regverdigheid indekse). Data: 36 jaar sedert 1980. Toets platform: MATLAB. II. Sensitiwiteit Toets Alle 3-D kaarte is gevolg deur 2-D kontoer kaarte vir Wins Factor, Sharpe Ratio, Ulkus Performance Index, CAGR, Maksimum Onttrekking, Persent Winsgewende Trades, en Gem. Win / Gem. Verlies verhouding. Die finale foto toon sensitiwiteit van Equity kurwe. Getoets Veranderlikes: MA Lengte St Dev (Definisies: Tabel 1): Figuur 1 Fondsprestasie (insette: Tabel 1 Kommissie glip: 0). Verrigtinge van die Internasionale Konferensie oor berekeningsmetodes in en Ingenieurswese 2004 Die verbetering van tegniese handel stelsels met behulp van 'n nuwe MATLAB-gebaseerde genetiese algoritme prosedure Stepahnos Papadamou n ,. George Stephanides b. 'n Departement Ekonomie, Universiteit van Thessalië, Argonauton en Filelinon, Volos, Griekeland b Departement Toegepaste Informatika, Universiteit van Macedonië Ekonomiese en Sosiale Wetenskappe, Egnatias 156, Thessaloniki 54006, Griekeland Ontvang 18 Mei 2006. Aanvaarde 15 Desember 2006. Beskikbaar aanlyn 24 Januarie 2007 Abstract Onlangse studies in finansiële markte dui daarop dat tegniese ontleding 'n baie nuttige hulpmiddel in die voorspelling van die tendens kan wees. Handel stelsels is wyd gebruik word vir assessering mark egter parameter optimalisering van hierdie stelsels het min belangstelling gelok. In hierdie vraestel, om die potensiële krag van digitale handel verken, bied ons 'n nuwe MATLAB hulpmiddel gebaseer op genetiese algoritmes die instrument spesialiseer in parameter optimalisering van tegniese reëls. Dit maak gebruik van die krag van genetiese algoritmes om vinnig en doeltreffende oplossings in real handel terme te genereer. Ons instrument is omvattend getoets op historiese data van 'n UBS fonds belê in ontluikende aandelemarkte deur ons spesifieke tegniese stelsel. Resultate toon dat ons voorgestelde GATradeTool algemeen beter as gebruik, nie-aangepaste, sagteware gereedskap met betrekking tot die stabiliteit van opbrengs en tyd spaar oor die hele monster tydperk. Maar ons verskaf bewyse van 'n moontlike bevolkingsgrootte effek in kwaliteit van oplossings. Sleutelwoorde Finansiële markte Voorspelling Genetiese algoritmes Investment Tegniese reëls 1 Inleiding Vandag se handelaars en beleggingsontleders vereis vinnige en doeltreffende instrumente in 'n genadelose finansiële markte. Gevegte in die handel is nou hoofsaaklik gevoer teen rekenaar spoed. Die ontwikkeling van nuwe sagteware tegnologie en die voorkoms van nuwe sagteware omgewings (bv MATLAB) verskaf die grondslag vir die oplossing van moeilike finansiële probleme in real time. MATLAB se groot ingeboude wiskundige en finansiële funksies, die feit dat dit is beide 'n vertolk en saamgestel programmeertaal en die platform onafhanklikheid maak dit geskik vir finansiële ontwikkeling aansoek. Getuienis op die opbrengs verdien deur tegniese reëls, insluitend momentum strategieë (bv 14. 15. 16. 16. 25 en 20), bewegende gemiddelde reëls en ander handel stelsels 6. 2. 9 en 24 kan die belangrikheid van tegniese ontleding te ondersteun. Tog het die meerderheid van hierdie studies die kwessie van parameter optimalisering geïgnoreer, waarna hulle oop vir kritiek van data Snooping en die moontlikheid van oorlewing vooroordeel 7. 17 en 8. Tradisioneel navorsers gebruik ad hoc spesifikasie van handel reëls. Hulle gebruik 'n verstek gewilde opset of lukraak probeer 'n paar verskillende parameters en kies die beste met kriteria gebaseer op die opbrengs hoofsaaklik. Papadamou en Stephanides 23. geïmplementeer 'n nuwe MATLAB-gebaseerde toolbox vir rekenaargesteunde tegniese handel wat 'n prosedure vir parameter optimalisering probleme het ingesluit. Maar die swak punt van hul optimalisering proses is tyd: die doelfunksie (bv wins) isn t 'n eenvoudige kwadraat fout funksie, maar 'n ingewikkelde een (elke optimalisering iterasie gaan deur die data, genereer handel seine, bereken wins, ens). Wanneer die datastelle is groot en jy wil graag jou stelsel dikwels reoptimize en jy 'n oplossing moet so gou as moontlik, dan probeer uit alle moontlike oplossings vir die beste 'n mens sou 'n baie vervelige taak wees. Genetiese algoritmes (gas) is beter geskik omdat hulle ewekansige navrae uit te voer op 'n gestruktureerde wyse en konvergeer baie vinnig op bevolkings van naby optimale oplossings. Die GA sal jy 'n stel (bevolking) van goeie oplossings te gee. Ontleders is geïnteresseerd in om 'n paar goeie oplossings so vinnig as moontlik, eerder as die wêreldwye beste oplossing. Die wêreldwye beste oplossing nie bestaan ​​nie, maar dit is hoogs onwaarskynlik dat dit sal voortgaan om die beste een wees. Die doel van hierdie studie is om te wys hoe genetiese algoritmes, 'n klas van algoritmes in evolusionêre berekening, kan gebruik word om die prestasie en die doeltreffendheid van gerekenariseerde handel stelsels te verbeter. Dit is nie die doel hier om teoretiese of empiriese regverdiging vir die tegniese ontleding verskaf. Ons demonstreer ons benadering in 'n bepaalde vooruitskatting taak gebaseer op ontluikende aandelemarkte. Hierdie vraestel word soos volg georganiseer. Vorige werk word in Afdeling 2. Die datastel en ons metode beskryf in Afdeling 3. Die empiriese resultate word bespreek in Afdeling 4. Gevolgtrekkings volg Artikel 5. 2 Vorige werk Daar is 'n groot liggaam van GA werk in die rekenaarwetenskap en ingenieurswese velde, maar min werk gedoen is met betrekking tot sake wat verband hou gebiede. Die laaste tyd, is daar 'n groeiende belangstelling in GA gebruik in finansiële ekonomie, maar tot dusver is daar min navorsing oor outomatiese handel is. Om ons kennis die eerste gepubliseerde artikel koppel genetiese algoritmes om beleggings was van Bauer en Liepins 4. Bauer 5 in sy boek Genetiese algoritmes en Belegging strategieë aangebied praktiese leiding oor hoe gas kan gebruik word om aantreklik handel strategieë gebaseer op fundamentele inligting te ontwikkel. Hierdie tegnieke kan maklik uitgebrei word om ander vorme van inligting, soos tegniese en makro-ekonomiese data, sowel as verlede pryse sluit. Volgens Allen en Karjalainen 1. genetiese algoritme is 'n geskikte metode om tegniese handel reëls te ontdek. Fern ndez-Rodr Guez et al. 11 deur die aanneming van genetiese algoritmes optimalisering in 'n eenvoudige handel reël verskaf bewyse vir 'n suksesvolle gebruik van gas uit die Madrid Aandelebeurs. Sommige ander belangstellendes studies is dié deur Mahfoud en Mani 18 dat 'n nuwe genetiese-algoritme-gebaseerde stelsel aangebied en toegepas om die taak van die voorspelling van die toekoms optredes van individuele aandele deur Neely et al. 21 en deur Oussaidene et al. 22 dat genetiese programmering toegepas op buitelandse valuta voorspelling en berig mate van sukses. Een van die komplikasies in GA optimalisering is dat die gebruiker 'n stel van parameters moet definieer soos die crossover koers, bevolkingsgrootte en mutasie tempo. Volgens De Jong 10 wat genetiese algoritmes in funksie optimalisering bestudeer goeie GA prestasie vereis hoë crossover waarskynlikheid (omgekeerd eweredig aan grootte van die bevolking) en 'n matige bevolkingsgrootte. Goldberg 12 en Markellos 19 dui daarop dat 'n stel van parameters wat goed werk oor baie probleme is 'n crossover parameter 0.6, bevolkingsgrootte 30 en mutasie parameter 0,0333. Bauer 4 verrig 'n reeks van simulasies op finansiële optimeringsprobleme en bevestig die geldigheid van Goldberg se voorstelle. In die huidige studie sal ons 'n beperkte simulasie studie uit te voer deur die toets van verskeie parameter konfigurasies vir die gekose handel stelsel. Ons sal ook bewyse vir die GA deur dit te vergelyk ons ​​hulpmiddel met ander sagteware gereedskap voorgestel. 3 Metodologie Ons metode word in verskeie stappe. In die eerste plek moet ons ons handel stelsel te implementeer gebaseer op tegniese ontleding. In die ontwikkeling van 'n handel stelsel, moet jy om te bepaal wanneer om te betree en wanneer om die mark te verlaat. As die handelaar is in die mark die binêre veranderlike is gelyk aan een anders is nul. Soos posisie handelaars baseer ons die meeste van ons in-en uitgang besluite op 'n daaglikse kaarte deur die bou van 'n tendens volgende aanwyser (Dimbeta). Hierdie aanwyser word bereken dat die afwyking van die huidige pryse van sy bewegende gemiddelde van lengte. Die aanwysers wat gebruik word in ons handel stelsel kan soos hieronder geformaliseer: waar is die sluitingsprys van die fonds op tyd en funksie MovAv word bereken dat die eenvoudige bewegende gemiddelde van die veranderlike Close met tyd duur. Ons handel stelsel bestaan ​​uit twee aanwysers, die Dimbeta aanwyser en die bewegende gemiddelde van Dimbeta gegee deur die volgende vergelyking: As kruis daarbo die gee dan lank in die mark (dit wil sê koop sein). As kruis afwaartse dan sluit die lang posisie in die mark (dit wil sê sell sein). In die tweede plek moet ons ons handel strategie te optimaliseer. Dit is alom bekend dat die maksimalisering van objektiewe funksies soos wins of rykdom handel stelsels kan optimaliseer. Die mees natuurlike doelfunksie vir 'n risiko-onsensitief handelaar is wins. In ons sagteware instrument beskou ons multiplikatiewe winste. Multiplikatiewe winste is toepaslik wanneer 'n vaste fraksie van opgehoopte rykdom belê in elke lang handel. In ons sagteware geen kort verkope word toegelaat en die hefboom faktor is ingestel vasgestel op die rykdom ten tye word gegee deur die volgende formule: waar is die terugkeer besef vir die tydperk wat op tyd, is die transaksie koste en is die binêre dummy veranderlike dui op 'n lang posisie of nie (dws 1 of 0). Die wins word gegee deur die aftrekking van die finale rykdom die aanvanklike rykdom,. Optimalisering van 'n stelsel behels die uitvoer van verskeie toetse, terwyl wisselende een of meer parameters (,) in die handel reëls. Die aantal toetse kan vinnig groei enorme (Meta het 'n maksimum van 32 000 toetse). In die FinTradeTool 23. Daar is geen beperking egter op die tyd verwerking na gelang van die rekenaarstelsel gebruik. In hierdie vraestel ondersoek ons ​​die moontlikheid van die oplossing van die optimeringsprobleem deur die gebruik van genetiese algoritmes. Genetiese algoritmes (gas) wat ontwikkel is deur Holland 13 vorm 'n klas van soek, aanpassing en optimeringstegnieke gebaseer op die beginsels van natuurlike evolusie. Genetiese algoritmes leen hulself goed om optimeringsprobleme omdat hulle bekend is om robuustheid uitstal en kan aansienlike voordele in oplossing metode en optimalisering prestasie bied. Gas verskil van ander optimalisering en soek prosedures in 'n paar maniere. Eerste, hulle werk met 'n kodering van die parameter stel, nie die parameters self. Daarom gas kan maklik hanteer die binêre veranderlikes. Tweede, gas soek uit 'n bevolking van punte, nie 'n enkele punt. Daarom kan die gas 'n stel wêreldwyd optimale oplossings te verskaf. Ten slotte, gas gebruik net doelfunksie inligting, nie derivate of ander hulp kennis. Daarom kan die gas te gaan met die nie-deurlopende en nie-differensieerbare funksies wat eintlik bestaan ​​het in 'n praktiese optimeringsprobleem. 4 Voorgestelde GATradeTool In GATradeTool. 'n genetiese algoritme werk op 'n bevolking van kandidaat oplossings geïnkripteer (,). Elke besluit veranderlike in die parameter stel is geïnkripteer as binêre string en almal saamgevoeg om 'n chromosoom vorm. Chromosoom verteenwoordiging is 'n twee-element vektor bevat, parameters in bunary genetiese kodering. Die akkuraatheid van binêre voorstelling is agt bisse per parameter (maw 0 0 1 1 0 1 1 1 1 0 0 1 0 1 1 1). Dit begin met 'n lukraak gebou bevolking van aanvanklike raaiskote. Hierdie oplossing kandidate geëvalueer in terme van ons doelfunksie (Vgl. (4)). Ten einde optimaliteit elke chromosoom ruil inligting deur operateurs (dit wil sê rekenkundige crossover 1) geleen van natuurlike genetika om 'n beter oplossing te produseer bekom. Die doelfunksie (Vgl. (4)) word gebruik om te meet hoe individue presteer in die probleem domein. In ons geval, sal die meeste toegerus individue die hoogste numeriese waarde van die verband doelfunksie het. Die fiksheid funksie verander die rou doelfunksie waardes in nie-negatiewe syfers van meriete vir elke individu. Die gereedskap ondersteun die teen en skalering metode van Goldberg 12 en die lineêre posisie algoritme van Baker 3. Ons keuse tegniek gebruik 'n roulette wiel meganisme om probabilistically individue op grond van hul prestasie te kies. A reëelwaardige interval som bepaal as die som van die ry fiksheid waardes oor al die individue in die huidige bevolking. Individue word dan gekarteer 12:59 in aangrensende tussenposes in die reeks 0, Sum. Die grootte van elke individu interval ooreenstem met die fiksheid waarde van die verband individu. Om 'n individu 'n ewekansige getal gegenereer in die interval 0 kies, som en die individu wie se segment strek die ewekansige getal gekies. Hierdie proses word herhaal totdat die verlangde aantal individue is gekies 26. Hierdie kandidate toegelaat om deel te neem in 'n rekenkundige crossover, die prosedure wat belowende kandidate herkombineer om die volgende generasie te skep. Hierdie stappe is herhaal totdat 'n goed-gedefinieerde kriteria is tevrede. Omdat die GA is 'n stogastiese search metode, is dit moeilik om konvergensie kriteria formeel spesifiseer. Soos die fiksheid van die bevolking statiese vir 'n aantal generasies kan bly voor 'n hoër individuele gevind word, die toepassing van konvensionele beëindiging kriteria word problematies. As gevolg hiervan het ons voorgestel die bereiking van 'n bepaalde aantal iterasies as die beëindiging maatstaf. Ons genetiese algoritme kan in die volgende raam: 5 empiriese resultate In hierdie afdeling van toepassing is ons metode in 'n UBS onderlinge fonds beleggings in ontluikende aandelemarkte. 2 Die ontleed data bestaan ​​uit 2800 waarnemings oor daaglikse sluitingspryse van daardie fonds vir die tydperk 1/5/98 25/6/04. Die optimalisering tydperk word gedefinieer tussen 1/5/98 tot 25/6/03. Die optimale stelsel geëvalueer deur die lang tydperk 25/6/03 25/6/04. Die optimeringsprobleem is ingestel om die optimale lengtes van Dimbeta aanwyser en sy bewegende gemiddelde vir die eenvoudige Dimbeta model wat winste sal maksimeer. Eerstens, sal die uitwerking van verskillende GA parameter konfigurasies bestudeer. Meer spesifiek ons ​​belangstel om die effek van die grootte van die bevolking en die crossover parameter in die uitvoering van die genetiese algoritme gebaseer optimalisering proses te meet. Gebaseer op Goldberg se 12 en Bauer se 4 aanbevelings, moet die bevolkingsgrootte gelyk wees aan 30 en die crossover koers moet wees 0.6 (standaard waardes). Die aantal iterasies is gestig om 300 vir alle simulasies. Tweedens, ons vergelyk die oplossings van optimeringsprobleem wat deur verskillende sagteware gereedskap om die geldigheid van die voorgestelde GATradeTool meet. Tabel 1 gee die GA optimization resultate vir verskillende groottes van bevolkings. Die eerste ry van die tabel toon die beste parameters vir die Dimbeta aanwyser en die bewegende gemiddelde van Dimbeta. Ten einde die effek van bevolkingsgrootte in die beste oplossing te meet ondersoek ons ​​'n reeks van verskillende statistieke. Die oplossing met die maksimum en minimum opbrengs, die gemiddelde opbrengs, die standaardafwyking van hierdie oplossings, die tyd wat nodig is vir konvergensie van die algoritme, en 'n doeltreffendheid indeks bereken deur Max terugkeer oplossing deur die standaardafwyking van oplossings. Tabel 1. Bevolkingsgrootte effek Deur te kyk in Tabel 1 kan ons sê dat solank as wat jy die bevolkingsgrootte verhoog die beste en die gemiddelde oplossings is hoër. Maar ná 'n bevolkingsgrootte van 30 die prestasie afgeneem. Ten einde in aanmerking te neem die computational koste verbonde sedert toename in bevolkingsgrootte, bereken ons die tyd wat nodig is vir die oplossing van die probleem. Lae bevolkingsgrootte lei tot lae prestasie en 'n lae voltooiing tyd. Volgens die doeltreffendheid indeks die beste oplossing is dat deur die bevolkingsgrootte 20. Ten einde 'n basis prestasie van die algoritme te vestig, is 30 proewe van die GA uitgevoer, met 'n ander ewekansige beginspan bevolking vir elke verhoor. Fig. 1A. wys hoe prestasie met verloop van tyd verbeter deur die plot gemiddelde maksimum fiksheid as 'n persentasie van die optimale waarde teenoor geslag getal die. Ons eerste gevang die maksimum fiksheid waarde vir elk van die 30 proewe dit gedoen vir elke generasie en elke beproewing. Ons het toe gemiddeld die maksimum fiksheid waardes en verdeel dat die getal deur die optimale fiksheid waarde, wat verkry word deur opsommende soek (FinTrade instrument, 23) Dit het ons die gemiddelde maksimum fiksheid as 'n persentasie van die optimale waarde per geslag. Fig. 1A. Base parameter instellings: persentasie van optimale. Soos gesien kan word in Fig. 1A. die gemiddelde maksimum fiksheid van die eerste generasie is sowat 74 van die optimale waarde. Maar deur die vyftigste generasie, die algoritme het gewoonlik ten minste een oplossing wat binne 90 van die optimale waarde. Na die vyftigste generasie, kan die oplossing te bereik 98 van die optimale waarde. Met stawwe van ons basis instellings as 'n verwysingspunt, ons ondersoek die moontlike verskille in die basiese prosedure. Ons bestudeer die uitwerking van veranderings in bevolkingsgrootte en crossover koers. Vir elke verskillende parameter instelling, ons uitgevoer 30 proewe van die algoritme en dan vergelyk met die grafieke van die gemiddelde maksimum fiksheid met dié wat vir die basis instelling. In die eerste plek het ons probeer crossover tariewe 0.4 en 0.8. Die resultate word in Fig. 1b en Fig. 1c. wat soortgelyk aan Fig is. 1A. As gevolg hiervan crossover parameters het geen invloed op die optimale oplossing vir 'n kritiese graad. Maar die resultate is anders as ons die bevolkingsgrootte te verander. Volgens Fig. 1d en Fig. 1e. met 'n klein grootte van die bevolking wat ons gehad het swakker resultate as met 'n groot bevolking. Wanneer ons 80 gekies as bevolkingsgrootte ons bereik 'n hoë opbrengste in die vroeë geslagte. Fig. 1b. Crossover 0.40: persent van optimale. Fig. 1c. Crossover 0.80: persent van optimale. Fig. 1d. Bevolking 80: persent van optimale. Fig. 1e. Bevolking 20: persent van optimale. Deur te kyk na Tabel 2 kan jy die resultate van optimalisering van ons handel stelsel te vergelyk met behulp van drie verskillende sagteware gereedskap. Die eerste ry gee die resultaat vir die GATradeTool teen die Meta en die FinTradeTool 23. Ons voorgestelde tool (GATradeToo l) kan die optimeringsprobleem baie vinnig op te los sonder enige spesifieke beperkings oor die getal van die totale toetse. Die maksimum aantal toetse wat uitgevoer kan word in Meta sagteware is 32 000. Die FinTradeTool moet baie meer tyd om die optimale oplossing te vind. Die oplossing wat deur die GATradeTool. is naby aan die optimale oplossing van die FinTradeTool. Tabel 2. Vergelyking van drie verskillende sagteware gereedskap Geoptimaliseerd parameters (Dimbeta. MovAv (DimBeta)) Die handel stelsels met die optimale parameters wat gevind is in tydperk 1/5/98 25/6/03 getoets in die evaluering tydperk 25 / 03/06 25/6/04. Die prestasie van ons handel stelsel is verhoog in alle sagteware gereedskap. Maar die koste van tyd het baie ernstig (kolom 4) in ag geneem word. Fig. 2 toon die evolusie van die maksimum, minimum en gemiddelde opbrengs oor die 300 geslagte vir die Dimbeta handel stelsel (bevolkingsgrootte 80, crossover koers 0,6). Dit kan opgemerk word dat die maksimum opbrengs het 'n positiewe tendens. Dit wil voorkom of relatief stabiel ná 150 geslagte en beweeg in die reeks tussen 1.2 en 1 (dit wil sê 120 100 terugkeer) te wees. Vir die minimum fiksheid lyk nie patroon bestaan. Vir die gemiddelde bevolking terugkeer 'n duidelike opwaartse neiging kan gevind word in die eerste 180 geslagte, dit is 'n aanduiding dat die algehele fiksheid van die bevolking verbeter met verloop van tyd. Met betrekking tot die wisselvalligheid van die oplossings, standaardafwyking van oplossings na 'n toename in die eerste geslagte stabiliseer in 'n reeks tussen 0,3 en 0,6 verskaffing van bewyse van 'n stabiele en doeltreffende stel oplossings. Fig. 2. Ontwikkeling van 'n paar statistieke oor 300 geslagte. Fig. 3 bied 'n drie-dimensionele plot van die optimale oplossings wat deur die GATradeTool. In byle en het ons die parameters vir die dimbeta aanwyser en sy bewegende gemiddelde. As 2 toon die opbrengs van die Dimbeta handel stelsel vir die geselekteerde optimale parameters. So maklik kan verstaan ​​ons instrument bied 'n oppervlakte van optimale oplossings in teenstelling met die FinTradeTool dat slegs die beste oplossing bied. Fig. 3. 'n 3-D plot van die optimale omgewing. 6 Gevolgtrekkings Terwyl tegniese ontleding algemeen gebruik word as 'n belegging benadering onder praktisyns of akademici, is dit selde gefokus op die kwessie van parameter optimalisering. Dit is nie ons taak om tegniese ontleding hier te verdedig, hoewel ons resultate dui daarop dat daar 'n paar voorspelbaarheid in die UBS onderlinge fonds beleggings in ontluikende aandelemarkte gebaseer op alleen historiese data. Ons hoofdoel in hierdie vraestel is om te illustreer dat die nuwe tegnologie van MATLAB gebruik kan word om 'n genetiese algoritme instrument wat die optimalisering van tegniese handel stelsels kan verbeter implementeer. Ons eksperimentele resultate dui daarop dat GATradeTool digitale handel kan verbeter deur die verskaffing van vinnig 'n stel van naby optimale oplossings. Met betrekking tot die effek van verskillende GA parameter konfigurasies, het ons gevind dat 'n toename in bevolkingsgrootte prestasie van die stelsel kan verbeter. Die parameter van crossover koers raak nie ernstig die kwaliteit van die oplossing. Deur vergelyking van die oplossings van die optimeringsprobleem wat deur verskillende sagteware gereedskap, het ons gevind dat die GATradeTool beter kan verrig, deur die verskaffing van 'n baie vinnige 'n stel van 'n optimale oplossings wat 'n konsekwentheid aan te bied oor die hele evaluering tydperk. Ten slotte, sal dit interessant wees vir verdere navorsing om 'n reeks van verskillende stelsels te toets ten einde die verband tussen 'n genetiese algoritme en stelsel vertonings te sien. In 'n tyd van gereelde veranderinge in die finansiële markte, navorsers en handelaars kan maklik hul spesifieke stelsels in GATradeTool toets deur die verandering van slegs die funksie wat die handel seine produseer. Erkenning Hierdie referaat was deel van die na-doktorale navorsing van dr S. Papadamou wat is befonds deur IKY Griekse staat Beurse Foundation. Verwysings 1 F. Allen. R. Karjalainen met behulp van genetiese algoritmes om tegniese handel vind reëls Journal of Finansiële Ekonomiese. Deel 51. 1999 pp. 245 271 2 H. L. Allen. M. P. Taylor Die gebruik van tegniese ontleding in die buitelandse valuta mark Journal of International Geld en Finansies. Deel 11. 1992. p 303 314 3 J. E. Baker, Adaptive seleksie metodes vir genetiese algoritmes, in:. Verrigtinge van die eerste Internasionale Konferensie oor Genetiese algoritmes, 1985, pp 101 111 4 R. J.. Bauer. G. E. Liepins Genetiese algoritmes en gerekenariseerde handel strategieë Expert Systems in Finansies. D. E. O Leary. Volksrepubliek Watkins. 1992 Elsevier Science Publishers, Amsterdam 5 R. J. Bauer Jr Genetiese algoritmes en Investment Strategies 1994 John Wiley Sons, Inc, New York 6 W. Brock. J. Lakonishok. B. LeBaron Eenvoudige tegniese handel reëls en die stogastiese eienskappe van voorraad terug Journal of Finance. Deel 47. 1992. p. 1731 1764 7 S. Brown. W. Goetzmann. R. Ibbotson. S. Ross Overlevingspensioen vooroordeel in prestasie studies hersiening van finansiële Studies. Deel 5. 1992. p. 553 580 8 S. Brown. W. Goetzmann. S. Ross oorlewing Journal of Finance. Deel 50. 1995 pp. 853 873 9 Y. W. Cheung. C. Y.P. Wong Die prestasie van handel reëls op vier Asiatiese wisselkoerse multinasionale Finansies Journal. Deel 1. 1997 pp. 1 22 10 K. de Jong, 'n Ontleding van die gedrag van 'n klas van genetiese aangepaste stelsels, Ph. D. Diss. Universiteit van Michigan, Universiteit Mikrofilms No 76-9381, 1975 11 F. Fern ndez-Rodr Guez, C. gonzleer lez-Martel, S. Sosvilla-Rivero, Optimalisering van Tegniese reëls deur genetiese Algoritmes: Bewyse van die Madrid aandelemark, werkspapiere 2001-14, FEDEA, 2001 ftp://ftp. fedea. es/pub/Papers/2001/dt2001-14.pdf 12 Goldberg Genetiese algoritmes in Search, Optimization en masjien Leer 1989. Addison-Wesley 13 J. H. Holland aanpassing in natuurlike en kunsmatige System 1975 Universiteit van Michigan Press 14 N. Jegadeesh. S. Titman Returns te koop wenners en verloorders verkoop: Implikasies vir doeltreffendheid aandelemark Journal of Finance. Deel 48. Uitgawe 1. 1993 pp. 65 91 15 P. J. Kaufman Die Nuwe Commodity Trading Systems en metodes 1987. John Wiley Seuns 16 B. N. Lehmann gier, martingale en doeltreffendheid mark Kwartaallikse Tydskrif vir Ekonomie. Deel 105. 1990. pp. 1 28 17 A. W. Kyk. A. C. MacKinlay Wanneer is Contra winste as gevolg van aandelemark oorreaksie hersiening van finansiële Studies. Deel 3. 1990 pp. 175 206 18 S. Mahfoud. G. Mani finansiële vooruitskatting met behulp van genetiese algoritmes Tydskrif vir Toegepaste Kunsmatige Intelligensie. Deel 10. Uitgawe 6 1996 pp. 543 565 19 R. N. Markellos back testing handel stelsels Journal of Computational Intelligence in Finansies. Deel 5. Uitgawe 6. 1997 pp. 5 10 20 L. Menkhoff. M. Schlumberger Aanhoudende winsgewendheid van tegniese ontleding op valutamarkte BNL Quarterly Review. . Deel 193. 1995 pp 189 216 21 C. Neely, P. Weller, R. Ditmar, Is tegniese ontleding in die buitelandse valuta mark winsgewend 'n genetiese programmering benadering, in: (. Eds) C. Dunis, B. Rustem, , Verrigtinge, voorspelling Finansiële Markte: Voorskotte vir wisselkoerse, rentekoerse en Batebestuur, Londen, 1997 22 M. Oussaidene. B. Chopard. O. Pictet. M. Tomassini Praktiese aspekte en ervarings Parallel genetiese programmering en die toepassing daarvan op handel model induksie Journal of Parallel Computing. Deel 23. Uitgawe 8. 1997 pp. 1183 1198 23 S. Papadamou. G. Stephanides 'n Nuwe-Matlab gebaseer toolbox vir rekenaargesteunde dinamiese tegniese handel Finansiële Ingenieurswese Nuus. Uitgawe 31. 2003 24 S. Papadamou. S. Tsopoglou Ondersoek na die winsgewendheid van tegniese ontleding stelsels op buitelandse valuta markte Bestuursrekeningkunde Finansies. Deel 27. Uitgawe 8. 2001 pp. 63 78 25 F. M. Werner. D. Bondt. R. Thaler Verdere bewyse op belegger oorreaksie en aandelemark seisoenaliteit Journal of Finance. Deel 42. Uitgawe 3. 1987 pp 557 581 26 D. Whitley, Die Genitor algoritme en seleksie druk. Hoekom-rang gebaseer toekennings van reproduktiewe proewe is die beste, in: Verrigtinge van die Derde Internasionale Konferensie oor Genetiese algoritmes, 1989, pp . 116 121 rekenkundige enkel-punt crossover, behels lukraak sny twee stringe op dieselfde lukraak bepaal string posisie en dan die uitruiling van die stert gedeeltes. Crossover strek die soektog na nuwe oplossings in verreikende rigtings. Die struktuur van hierdie fonds en sy groot posisie op 25/6/2004 uitgebeeld in die volgende figuur. Kopiereg 2007 Elsevier Ltd Alle regte voorbehou.